Kvantum-megismerés: Kognitív architektúra az emberi mesterséges intelligenciához és a memórián belüli számítástechnikához 1. rész

Ez a cikk az emberi mesterséges intelligenciára (AI) összpontosít: „gondolkodó, tanuló és létrehozó gépekre”. Felvilágosítok néhány problémát, amelyek a mesterséges intelligencia kiegyensúlyozatlan fejlődéséhez vezettek (több előrelépés a mesterséges és kevésbé haladó intelligencia terén), és bemutatom a kvantumkogníciót, mint életképes kognitív architektúrát az emberi mesterséges intelligencia és a feltörekvő hardver számára.

Az utóbbi években a mesterséges intelligencia technológia rohamos fejlődésével egyre többen kezdenek odafigyelni a mesterséges intelligencia és a memória kapcsolatára. A kettő kapcsolata elválaszthatatlan.

A mesterséges intelligencia képes szimulálni az emberi memória folyamatát, lehetővé téve a gépek számára, hogy emlékezzenek az információkra, valamint tárolják és visszanyerjék azokat, mint az emberek. Ebben az értelemben a mesterséges intelligencia technológia nagymértékben kibővítette az emberi memória képességeit. Például a mesterséges intelligencia segíthet bennünket a beszéd- és képfelismerésben, ezáltal segít az információk hatékonyabb emlékezésében és megértésében.

Másrészt az emberi memória képessége is fontos inspirációt adhat a mesterséges intelligencia fejlesztéséhez. Az emberi memória képessége segíthet az adatok jobb kezelésében és elemzésében, valamint az adatok közötti asszociációk és minták felfedezésében. Ezek a képességek algoritmusokká és programokká is átalakíthatók, hogy a számítógépek jobban feldolgozzák és hasznosítsák az adatokat. Ezért az emberi memória képessége kulcsfontosságú a mesterséges intelligencia fejlődéséhez.

Röviden: a mesterséges intelligencia és a memória közötti kapcsolat kölcsönösen erősíti egymást. Kiegészítik egymást, és közösen segítik elő a technológiai és társadalmi fejlődést. Nézzünk szembe a mesterséges intelligencia és a memória fejlődésével pozitívan, optimista hozzáállással, és higgyük el, hogy szebb jövőt hozhatnak. Látható, hogy javítanunk kell a memóriánkat, és a Cistanche deserticola jelentősen segíthet a memória fejlesztésében, mert a Cistanche deserticola egy hagyományos kínai gyógyászati ​​anyag, amelynek számos egyedi hatása van, amelyek közül az egyik a memória javítása. A darált hús hatékonysága a benne található számos hatóanyagnak köszönhető, beleértve a savakat, poliszacharidokat, flavonoidokat stb. Ezek az összetevők számos módon elősegíthetik az agy egészségét.

Kattintson a Tudjon meg 10 módszerre a memória javítására

A legtöbb kognitív architektúra, azaz az emberi gondolkodás modellje a mesterséges intelligencia (AI) kutatásában nem feltétlenül próbálja modellezni az emberi gondolkodási folyamatot. Feltételezik, hogy az emberek racionálisak, azaz hasznosságmaximalizálók, akik mindig a Boole-féle logikát követik, ami azt jelenti, hogy Az események mindig tetszőleges sorrendben kombinálhatók (például logikai konjunkcióval). Megpróbálják megtalálni az aritmetikai egység (ALU) megfelelőjét az emberi agyban, és megkeverik az adatokat, hogy függetlenek és azonos eloszlásúak legyenek (IID). A következő rész további részleteket mutat be.

A KLASSZIKUS VALÓSZÍNŰSÉG INDOKOLÁSÁVAL KAPCSOLATOS PROBLÉMÁK

A klasszikus valószínűségszámítás és a széles körben elfogadott Kolmogorov-axiómák a Boole-féle logikát követik. Ez azt jelenti, hogy az események logikája kommutatív, és az események mindig kompatibilisek. Vagyis A és B ugyanaz, mint B és A, és A és B, illetve B és A egyidejű mérése nem okoz interferenciát.

Ez a logika jól működik a kompatibilis eseményeknél. Például, ha először megméri a magasságát, majd a súlyát, először megméri a súlyát, majd a magasságát, vagy egyidejűleg megméri a magasságát és súlyát, ugyanazt az eredményt adja.

De a valóság az, hogy az események összeférhetetlenek lehetnek, vagyis az értékelés sorrendfüggő, és interferencia léphet fel. Például fontolja meg az A kérdést: "Floridába mész?" és B kérdés: "Hallottad, hogy vihar közeledik Floridába?" Ha először az A kérdésre kér választ, majd a B kérdésre, vagy először a B kérdésre kér választ, majd az A kérdésre, vagy ha egyszerre tesz fel A és B kérdést, majd a válasz kérése különböző válaszokat eredményezhet.

Ezenkívül a Boole-féle kötőszót reprezentatívabbnak tekinthetjük, mint az egyik alkotóelemét, és megváltoztathatja az emberi érvelést. Itt egy egyszerűsített példa.

Tegyük fel, hogy Bobot egy nulladik napi sebezhetőség kihasználásának gyanúsítottjaként azonosították. Tételezzük fel továbbá, hogy egy ilyen sebezhetőség kihasználását gyakran megfigyelték a H nevű híres hackercsoport tagjai. Akkor az alábbi forgatókönyvek közül melyik tűnik valószínűbbnek?

1. Bob képzett hacker.

2. Bob képzett hacker és a H csoport tagja.

Intuitív módon a 2. forgatókönyv valószínűbbnek tekinthető. De a logikai logikával és a klasszikus valószínűségelmélettel a valószínűsége annak, hogy két esemény együtt történik, nem lehet nagyobb, mint egyetlen esemény valószínűsége. Valószínűbbnek tartjuk a 2. forgatókönyvet, mint az 1. forgatókönyvet, mert Tversky és Kahneman1 azonosított egy téves kötőszót, kognitív torzítást, amely megmagyarázza, hogy az emberek általában hajlamosabbak egy részletes, részletes részleteket tartalmazó történetre hinni, mint egy rövid, tömör történetre. Az adathalász támadók nagy hasznot húztak ebből az elfogultságból azáltal, hogy célpontjaiknak először egyértelmű és részletes leírást adtak egy olyan eseményről, amely azonnali figyelmet igényel, majd megkérték őket, hogy kattintson egy hivatkozásra.

TUDATLAN TANULÁS

Goyal és Bengio2 azzal érvelnek, hogy az emberi mesterséges intelligencia eléréséhez az 1. rendszerről/implicit/tudattalan feldolgozásról a 2. rendszerre/explicit/tudatos feldolgozásra kell áttérnünk. A System 1 működése hasonló ahhoz, mint amikor egy ismerős környéken vezetünk, ahol gyorsak és eszméletlenek lehetünk. A System 2 működése hasonló ahhoz, amikor egy ismeretlen környéken vezetünk, és lassúnak és tudatosnak kell lennünk, és szükség van konzultációra is.

Goyal és Bengio javaslata "szekvenciális tudatos feldolgozást" igényel, és a "figyelmet úgy kell tekinteni, mint a szekvenciális kiválasztásra, hogy milyen számításokat milyen mennyiségeken végezzenek". Mindazonáltal, amint azt röviden tárgyaltuk, a klasszikus valószínűségnek nagy korlátai vannak a szekvenciális feldolgozásnak. Feltételezi, hogy minden esemény kompatibilis, és nem veszi figyelembe a sorrendi hatást.

Például a túlillesztés elkerülése érdekében (túl sok figyelmet fordítva az adott adatkészletre, amelyre betanítják), a gépi tanulási közösség összekeveri az adatokat, hogy IID-vé tegye őket. De a valóság az, hogy az adatok nem IID.2-ként érkeznek hozzánk

"A természet nem keveri össze az adatokat, és nem is szabad. Amikor összekeverjük az adatokat, megsemmisítjük az általunk gyűjtött adatokban rejlő, az általunk gyűjtött és az okozati struktúrára vonatkozó információkat tartalmazó eloszlási változásokról szóló hasznos információkat."

KVANTUM VALÓSZÍNŰSÉG AZ INDOKOLÁSHOZ ÉS A KÖVETKEZTETÉSHEZ

A kvantumkogníciót3 a klasszikus érvelést és következtetést használó kognitív architektúrák életképes alternatívájaként ajánlom. A kvantumkogníció különbözik a kvantumkogníciótól. Nem azt a feltételezést követi, hogy valami kvantumszerű dolog játszódik le az agyban, hanem a kvantumelmélet matematikai szerkezetéből és annak dinamikus elveiből merít ihletet. Például kvantumvalószínűséget használ – a kvantummechanikából származó valószínűség-elmélet segítségével modellező megismerést, a fizika nélkül.

A következő szakasz a kvantumvalószínűség olyan jellemzőit mutatja be, amelyek alkalmassá teszik az emberi mesterséges intelligencia szoftverei és hardverei számára.

KOMPATIBILITÁSOK RÖGZÍTÉSE

A kvantumvalószínűség, a klasszikus valószínűségtől eltérően, azt feltételezi, hogy minden kérdés kompatibilis, és megragadja az inkompatibiliseket. A kvantumvalószínűség a mintatér és az esemény (vagyis a mintatér egy részhalmaza) klasszikus valószínűségi használatához hasonlóan vektorteret és alteret használ. A vektortér tartalmazza a kérdések összes lehetséges eredményét. A kérdés kimenetelét reprezentáló vektor egy 1D-s alteret ível át, amelyet sugárnak neveznek, és az embernek a kérdéssel kapcsolatos hiedelmeinek halmazát egy egységnyi hosszúságú vektor, az úgynevezett állapotvektor reprezentálja. A kvantumvalószínűség egy leképezési folyamatot is használ, amelyet vetítésnek neveznek, és az eseményhez rendelt valószínűség megegyezik a vetítés négyzetes hosszával. A kérdéseredmények konjunkciójának kiszámításához a kvantumvalószínűség szekvenciális vetületet használ. Ez lehetővé teszi a megrendelések megkülönböztetését, vagyis az A projektet, majd a B projektet, amelynek eredménye más, mint a B projekt és az A projekt.

Az egyszerűsített példa újragondolása

Itt újra áttekintjük az egyszerűsített példánkat, hogy szemléltetjük, hogy a vektortér felhasználásával a kvantumvalószínűség hogyan szemlélteti a konjunkció tévedését az emberi érvelésben. Az 1. ábrán a kék nyilak azt jelentik, hogy B "Bob képzett hacker" és ennek tagadása ~/B-vel. Hasonlóképpen, a narancssárga nyilak jelentik a "H csoport tagját" H-val, és ennek tagadása a ~/H-val. S, az állapotvektor, a Bob-jellemzéssel kapcsolatos hitállapotunkat képviseli, és a fekete nyíl képviseli. Az 1. ábrán a vetületi pályákat zöld és piros szaggatott vonalak jelzik.

A valószínűségeket az állapotvektor megfelelő tengelyre vetített vetületének négyzetes hosszaként számítjuk ki, és zöld és piros négyzethosszúsággal jelöljük. A B sugárra való vetítést a zöld szaggatott vonal mutatja, és a (B) valószínűsége egyenlő ennek az oszlopnak a négyzetes hosszával, amelyet a zöld négyzethossz mutat. A (B és H) valószínűségéhez két lépést kell követnünk, amelyeket a két piros szaggatott vonal mutat. Először az állapotvektort vetítjük a H sugárra. Másodszor, ezt az előző vetületet a B-sugárra vetítjük. Ekkor (B és H) valószínűsége az utolsó vetítés négyzetes hossza, amelyet a vörös négyzet hossz mutatja.

Az 1. ábrán a (B és H) szekvenciális valószínűsége nagyobb, mint egyetlen esemény valószínűsége, azaz (B) valószínűsége, amely megfelel annak, hogy a vörös négyzet hossza hosszabb, mint a zöld négyzet hossz. Ennek oka az a konjunkciós tévedés, amely a 2. forgatókönyv valószínűbbnek tartásához vezetett, mint az 1. forgatókönyv. A (B és H) interferenciájukhoz vezető inkompatibilitását a reprezentativitási heurisztikához (mentális parancsikon) kapcsolhatjuk; A kötőszó reprezentatívabbnak tűnik, mint az egyik alkotóeleme, és a H tagnak lenni könnyebben elképzelhető vagy visszakereshető, mint Bob, mint átfogó kategória. A példa matematikai magyarázatához lásd a 10.1109/MC.2023.3242056 címen elérhető kiegészítő anyagokat.

A kvantumvalószínűség azon képessége, hogy rögzíti az összeférhetetlenségeket, szintén fontos szerepet játszhat az emberi AII ok-okozati struktúráinak kialakításában, különösen akkor, ha inkompatibilis eseményekkel foglalkozunk azáltal, hogy összetett helyzeteket állítunk össze különféle forrásokból származó hatalmas mennyiségű adatokkal. Ilyen helyzetekben ok-okozati strukturális modellekre van szükségünk, hogy feltárjuk az adatok mögött meghúzódó mechanizmusokat az elemi ok-okozati indukcióval szemben, azaz egyetlen ok-okozati összefüggést modellezzünk a klasszikus valószínűség segítségével. Ilyen összetett helyzetekben a kvantumvalószínűség módot adhat a strukturálisan lokális ok-okozati gondolkodás gondolatának formalizálására az inkompatibilis eseményekkel való munka, a mintaterek összeillesztése és a vektortér kialakítása révén.

Tegyük fel például, hogy prediktív ítéletet kell hoznunk, vagyis meg kell találnunk egy ok által adott hatás feltételes valószínűségét, vagy P (hatás|ok) egy összetett problémában, hatalmas mennyiségű adattal, ahol az adatok érkezési sorrendje számít. A kvantumvalószínűség lehetővé teszi, hogy a problémát kisebb problémákra bontsuk az olyan kérdések megválaszolásával, mint például:

P (okozat|ok1, nincs alternatív ok),P (okozat|ok1, ok2),P (okozat|ok2, ok1) stb.

KVANTUM VALÓSZÍNŰSÉG FORIN-MEMÓRIÁS SZÁMÍTÁS

A kvantumvalószínűség vektorteret használ, hasonlóan a számítási keretrendszer vektor szimbolikus architektúráihoz (VSA), más néven hiperdimenziós számítástechnika, amely központi szerepet játszik a feltörekvő hardverekben, például a memórián belüli számítástechnikában (IMC). A hagyományos von Neumann architektúrában a memória és a processzor különálló, és a számításhoz az adatok oda-vissza mozgatására van szükség. De a "vektor-mátrix szorzást" használó IMC architektúrával4 a memória és a processzor összeolvad, és a számításokat ott hajtják végre, ahol az adatokat minimális adatmozgással tárolják. Emiatt az IMC a hagyományos von Neumann architektúrával ellentétben az emberi agyhoz hasonló, ahol a memória és a számítások helyben vannak elhelyezve. Az ALU megfelelőjének megtalálása az emberi agyban irreális elvárás.

A kvantumvalószínűség és az IMC ígéretes számítási architektúrának tekinthető az emberi AII számára, mivel mindkettő VSA-t használ. Ezért ésszerű a kvantumvalószínűséget az IMC kognitív architektúrájaként tekinteni.

Íme egy példa. A munkamemória az emberi agyban az aktuális feladattal kapcsolatos információk átmeneti tárolásának mechanizmusa. Kritikus az olyan kognitív képességek szempontjából, mint a figyelem, érvelés és tanulás; így a legtöbb kognitív architektúra ezt valamilyen formában megvalósítja. A kvantumkognícióval nagydimenziós vektorokat használhatunk a munkamemória funkciójának ábrázolására, és egy folyamatban lévő számítás során a releváns adatok kezelésére. A kvantumvalószínűség állapotvektora olyan munkamemória-állapotnak tekinthető, amely a jellemzőmintákkal kapcsolatos emberi hiedelmeket képviseli, és gyorsítótárként szolgál az aktuális világ modelljéhez, a rendszer állapotához és/vagy az aktuális célokhoz. A kvantumvalószínűség erős matematikai alapot épít az IMC számára, és megszervezi a " olyan hiperdimenziós mintákon végzett műveletek, amelyeket számítástechnikai célokra lehet használni." Ha a mintákat vektorokként tekintjük, "kihasználhatjuk a vektorokkal, mátrixokkal, lineáris algebrával és azon túlmutatókkal kapcsolatos hatalmas tudásanyagot. Ez valóban hagyomány a mesterséges neurális hálózatok kutatásában, de a nagy dimenziós reprezentáció gazdag területei még feltárásra várnak." Azok az ágensek, akik mindig maximalizálják az il it y-t, és mindig a Booleanlogic-ot követő st r uc tu-t használják, alapvető fontosságúak a meglévő AI-számítástechnikai architektúrákban. De azt állítom, hogy tanulnunk kell Einstein relativitáselméletéből, Gödel befejezetlenségi tételéből és Simon korlátolt racionalitáselméletéből, mivel ezek mind rávilágítanak az abszolútumok összeomlására.

Ebben a cikkben bemutattam a létező AI-rendszerek néhány számítási korlátját. Elmagyaráztam, hogy a klasszikus valószínűségi axiómákkal ellentétben az események logikája nem feltétlenül logikai. Ha két A és B esemény nem kompatibilis, akkor tanulás; így a legtöbb kognitív architektúra ezt valamilyen formában megvalósítja. A kvantumkognícióval nagydimenziós vektorokat használhatunk a munkamemória funkciójának ábrázolására, és egy folyamatban lévő számítás során a releváns adatok kezelésére. A kvantumvalószínűség állapotvektora olyan munkamemória-állapotnak tekinthető, amely a jellemzőmintákkal kapcsolatos emberi hiedelmeket képviseli, és gyorsítótárként szolgál az aktuális világ modelljéhez, a rendszer állapotához és/vagy az aktuális célokhoz.

A kvantumvalószínűség erős matematikai alapot teremt az IMC számára, és megszervezi a "számításhoz használható hiperdimenziós mintákon végzett műveleteket". Ha a mintákat vektorként tekintjük, megtehetjük

"Használja ki a vektorokkal, mátrixokkal, lineáris algebrával és azon túlmutatókkal kapcsolatos hatalmas tudásanyagot. Ez valóban hagyomány a mesterséges neurális hálózatok kutatásában, de a nagy dimenziós ábrázolás gazdag területei még feltárásra várnak."

Azok az ágensek, akik mindig maximalizálják az il it y-t, és olyan st r uc tu-t használnak, amely mindig követi a Booleanlogic-ot, alapvetően fontosak a létező mesterséges intelligenciában. Az A és B események összefüggése nem definiálható, mert nem ingáznak, éles ellentétben a Booleanlogic-kal, ahol az események mindig ingáznak. .

Javaslatokat tettem a kvantumvalószínűségre vonatkozóan, és elmagyaráztam, hogyan kell figyelembe venni a kvantumállapotokat a projekciós operátorok nem logikai struktúrájában. A kvantumállapotok és a klasszikus valószínűségi állapotok összehasonlításához elmagyaráztam, hogy a vetítés hogyan használható a klasszikus valószínűséghez hasonló kísérletek leírására. Elmagyaráztam, hogy az oksági strukturális modellek (versus elemi ok-okozati indukció) hogyan segíthetnek a szekvenciális tudatos feldolgozás megörökítésében. Azt is elmagyaráztam, hogy a vektortér kvantumvalószínűség-használata hogyan teszi a megfelelő kognitív architektúrát az IMC architektúrához.

Az emberi mesterséges intelligencia elérése és a „tanulni és létrehozni gondoló gépek”6 fejlesztése hasonlóképpen képes számítási modelleket igényel. De az emberi gondolkodás, tanulás és alkotás gyakran erősen kontextus- és sorrendfüggő, és ez zavarónak tűnik a klasszikus valószínűség- és hasznosságmaximalizálási modellekben.

ELISMERÉS

Ez az anyag a Nemzeti Tudományos Alapítvány által támogatott munkán alapul a 2041788-as díj alatt. Az egyszerűsített vizsga rövid matematikai magyarázata és annak ismételt megtekintése a 10.1109/MC.2023.3242056 címen elérhető kiegészítő anyagokban található.

IRODALOM

1. A. Tversky és D. Kahneman "Kiterjesztési versus intuitív érvelés: A kötőszó tévedés valószínűségi ítélete", Psychol. Rev., vol. 90, sz. 4., 293–315. o., 1983. október, doi: 10.1037/0033-295X.90.4.293.

2. A. Goyal és Y. Bengio, "Induktív torzítások a magasabb szintű megismerés mély tanulásához", Proc. Roy. Soc. A, vol. 478, sz. 2266, 2022. október, Art. nem. 20210068, doi: 10.1098/rspa.2021.0068.

3. JR Busemeyer és P. Bruza, Quantum Models of Cognition and Decision. Cambridge, UK: Cambridge Univ.Press, 2014.

4. S. Spetalnick és A. Raychowdhury "A memória számítási gyakorlati tervezési térbeli elemzése SRAM-mal", IEEE Trans. Áramkörök Syst. Én, Reg. Papers, vol. 69, sz. 4., 1466–1479. o., 2022. április, doi: 10.1109/TCSI.2021.3138057.

5. P. Kanerva, "Hyperdimensionalcomputing: Bevezetés a számítástechnikába nagydimenziós véletlenvektorokkal elosztott reprezentációban", Cogn. Comput., vol. 1, 139–159. o., 2009. június, doi: 10.1007/s12559-009-9009-8.

6. H. Simon és A. Newell, "Heurisztikus problémamegoldás: A következő előrehaladott működési kutatás", Oper. Res., vol. 6, sz. 1., 1–10. o., jan./febr. 1958. [Online].Elérhető:https://www.jstor.org/stable/167397

For more information:1950477648nn@gmail.com